MIMO-ISAR成像空时等效误差校正方法

针对多输入多输出逆合成孔径雷达(multiple-input multiple-output inverse synthetic aperture radar, MIMO-ISAR)成像中的空时不等效问题,首先建立了空时等效误差模型,并对模型进行了分析,然后推导出空时等效误差的校正模型,得出了空时等效误差的校正矩阵,且该误差校正矩阵只与空时等效失配率有关。采用特显点方位像熵最小对空时等效失配率进行了估计,并利用它构建出空时等效误差的校正矩阵,实现了MIMO-ISAR空时等效误差的校正。仿真验证了这一方法的有效性。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于微动参数估计的非对称进动目标三维成像

具有非对称结构的进动目标成像是目前空间目标成像的一个难点。在构建非对称进动目标回波模型的基础上,分析了成像所需的4个微动参数并给出了相应的参数估计方法。在微动参数已知的前提下,提出了一种基于三维复数逆投影变换的进动目标三维成像的方法。首先利用微动参数构建相位补偿因子,之后对时间距离像进行三维搜索,进而实现进动目标的三维成像。最后通过仿真实验验证了所提方法的有效性,同时仿真分析了微动参数估计误差对成像的影响。     

基于窄带雷达组网的高速自旋目标成像

针对单部窄带雷达无法获得高速自旋目标无失真二维像的问题,研究了基于多部窄带雷达组网的自旋目标无失真成像方法。首先在建立自旋目标窄带雷达回波模型基础上,分析了单基窄带雷达成像方法;然后分别研究了基于多幅窄带雷达图像配准的旋转对称目标和非旋转对称目标图像二维定标方法;最后,对配准后的各窄带雷达图像进行融合得到了目标的无失真二维像。仿真实验验证了本文方法的有效性,并分析了算法的鲁棒性。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于多观测向量序列降采样恢复的稀疏矩阵重构

二维稀疏信号的重构可以通过解多观测向量的稀疏表示问题来实现。然而,当各向量的稀疏结构不同时,将稀疏恢复算法拓展到多观测向量模型的方法将不再有效。提出了一种序列降采样重构的方法用于实现稀疏矩阵的重构。该方法通过构造降采样矩阵,大幅降低稀疏矩阵信号的稀疏度,再通过多观测向量序列观测和恢复,完成对稀疏矩阵的重构。理论分析表明,所提方法能够实现对高稀疏度矩阵的高概率重构。实验表明,所提算法能够有效地实现二维稀疏信号和图像重构。     

二维CZT的稀疏阵列MIMO雷达快速极坐标格式成像算法

由于极坐标格式算法(PFA)存在运算量大,且聚焦性能受插值精度影响等缺点。为解决该问题,提出一种基于二维Chirp-Z Translation(CZT)的稀疏阵列MIMO雷达快速成像算法,引入压缩感知原理,采用CZT变换代替插值运算,借助合适变换参数的选择,一步实现插值-重采样的处理过程。仿真验证表明,随着成像尺寸的变化,所提算法与经典PFA算法运算量的比值在0.22~0.4之间,有效地降低了运算量,同时保持了较低的图像熵,提高了聚焦性能。     

基于2D-SOONE算法的MIMO稀疏面阵二维成像

为了解决采用传统的1D-CS算法进行分维处理时丢失耦合信息导致越单元徙动、影响成像质量且运算时间长的问题,研究了接收阵元整行整列稀疏的MIMO面阵结构特性,分析了该稀疏面阵所接收回波信号的二维联合稀疏特性,采用2D-SOONE算法对回波信号进行二维联合重构,算法采用序列一阶负指数取代传统SL0算法的高斯函数,拓至二维并利用梯度投影求解,具有二维联合重构性能的同时提高重构精度。通过实验,仿真了该算法在不同阵列稀疏度、不同信噪比下用于MIMO稀疏面阵的成像效果。仿真结果表明,2D-SOONE抑制了传统的1D-CS算法的越单元徙动问题,减少了运算时间,且成像质量较2D-SL0更优。     

一种改进的可解释SAR图像识别网络

SAR-BagNet模型是一种应用于合成孔径雷达(SAR)图像识别的可解释深度学习模型。为了使SAR-BagNet模型在具有可解释性的同时具有较高的识别精度，以SAR-BagNet模型为基础，在模型框架中加入了空间注意力和坐标注意力机制，并在MSTAR实测数据集上进行了实验。实验结果表明，空间注意力和坐标注意力机制增强了SAR-BagNet模型的全局信息获取能力，能够在不降低其可解释性的基础上，有效提高模型的识别精度和决策合理性。